Mulai sekarangMulai gratis

Pelatihan dengan banyak label

Salah satu keluaran dari model multi-label Anda bisa terlihat seperti ini: [0.76 , 0.99 , 0.66 ]. Jika kita membulatkan probabilitas yang lebih besar dari 0.5, observasi ini akan diklasifikasikan mengandung ketiga label yang mungkin [1,1,1]. Untuk masalah khusus ini, menurut jaringan, ini berarti menyiram ketiga petak di lahan Anda adalah tindakan yang tepat, berdasarkan masukan dari pengukuran sensor.

Sekarang Anda akan melatih dan melakukan prediksi dengan model yang baru saja Anda bangun. sensors_train, parcels_train, sensors_test dan parcels_test sudah dimuat dan siap digunakan.

Mari kita lihat sebaik apa kinerja mesin cerdas Anda!

Latihan ini merupakan bagian dari kursus

Pengantar Deep Learning dengan Keras

Lihat Kursus

Instruksi latihan

  • Latih model selama 100 epochs dengan validation_split sebesar 0,2.
  • Lakukan prediksi dengan model Anda menggunakan data uji.
  • Bulatkan preds Anda dengan np.round().
  • Evaluasi akurasi model Anda pada data uji.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Train for 100 epochs using a validation split of 0.2
____.____(____, ____, epochs = ____, validation_split = ____)

# Predict on sensors_test and round up the predictions
preds = ____.____(____)
preds_rounded = np.round(____)

# Print rounded preds
print('Rounded Predictions: \n', preds_rounded)

# Evaluate your model's accuracy on the test data
accuracy = model.evaluate(____, ____)[1]

# Print accuracy
print('Accuracy:', accuracy)
Edit dan Jalankan Kode